論文の概要: Deep Learning Safety Concerns in Automated Driving Perception

• arxiv url: http://arxiv.org/abs/2309.03774v2
• Date: Thu, 11 Jul 2024 13:07:47 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-12 23:57:21.116425
• Title: Deep Learning Safety Concerns in Automated Driving Perception
• Title（参考訳）: 自動運転知覚における深層学習の安全性に関する考察
• Authors: Stephanie Abrecht, Alexander Hirsch, Shervin Raafatnia, Matthias Woehrle,
• Abstract要約: 本稿では、クロスファンクショナルなチームが共同で関心事に対処できるようにするとともに、理解を深めるための追加の分類を紹介します。 近年のディープラーニング分野の進歩と認識のためのディープニューラルネットワーク(DNN)の性能向上により、自動走行(AD)システムへの需要が高まっている。
• 参考スコア（独自算出の注目度）: 43.026485214492105
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in the field of deep learning and impressive performance of deep neural networks (DNNs) for perception have resulted in an increased demand for their use in automated driving (AD) systems. The safety of such systems is of utmost importance and thus requires to consider the unique properties of DNNs. In order to achieve safety of AD systems with DNN-based perception components in a systematic and comprehensive approach, so-called safety concerns have been introduced as a suitable structuring element. On the one hand, the concept of safety concerns is -- by design -- well aligned to existing standards relevant for safety of AD systems such as ISO 21448 (SOTIF). On the other hand, it has already inspired several academic publications and upcoming standards on AI safety such as ISO PAS 8800. While the concept of safety concerns has been previously introduced, this paper extends and refines it, leveraging feedback from various domain and safety experts in the field. In particular, this paper introduces an additional categorization for a better understanding as well as enabling cross-functional teams to jointly address the concerns.
• Abstract（参考訳）: 近年のディープラーニング分野の進歩と認識のためのディープニューラルネットワーク(DNN)の性能向上により、自動走行(AD)システムへの需要が高まっている。 このようなシステムの安全性は極めて重要であるため、DNNのユニークな特性を考慮する必要がある。 系統的かつ包括的アプローチでDNNに基づく認識コンポーネントを用いたADシステムの安全性を実現するために,いわゆる安全懸念が適切な構造要素として導入されている。 一方、安全上の懸念という概念は、ISO 21448(SOTIF)のようなADシステムの安全性に関する既存の標準によく適合している。 一方、すでにいくつかの学術出版物や、ISO PAS 8800のようなAI安全性に関する今後の標準に触発されている。 安全に関する概念は以前から紹介されてきたが,本論文では,様々な分野の専門家や安全専門家からのフィードバックを活用して,その拡張と改良を行っている。 特に,クロスファンクショナルなチームが共同で関心事に対処できるようにすると同時に,理解を深めるための新たな分類を導入する。

関連論文リスト

• Towards Guaranteed Safe AI: A Framework for Ensuring Robust and Reliable AI Systems [88.80306881112313]
  我々は、AI安全性に対する一連のアプローチを紹介し、定義する。 これらのアプローチの中核的な特徴は、高保証の定量的安全性保証を備えたAIシステムを作ることである。 これら3つのコアコンポーネントをそれぞれ作成するためのアプローチを概説し、主な技術的課題を説明し、それらに対する潜在的なソリューションをいくつか提案します。
  論文  参考訳（メタデータ） (2024-05-10T17:38:32Z)
• Redefining Safety for Autonomous Vehicles [0.9208007322096532]
  コンピュータベースのシステムの安全性に関する既存の定義と関連する概念的枠組みを再考する必要がある。 人間の運転者なしでの運転は、安全上の懸念を劇的に増大させる。 コアシステムの安全性に関する概念を更新する。
  論文  参考訳（メタデータ） (2024-04-25T17:22:43Z)
• Scaling #DNN-Verification Tools with Efficient Bound Propagation and Parallel Computing [57.49021927832259]
  ディープニューラルネットワーク(DNN)は多くのシナリオで異常な結果を示した強力なツールです。 しかし、それらの複雑な設計と透明性の欠如は、現実世界のアプリケーションに適用する際の安全性上の懸念を提起する。 DNNの形式的検証(FV)は、安全面の証明可能な保証を提供する貴重なソリューションとして登場した。
  論文  参考訳（メタデータ） (2023-12-10T13:51:25Z)
• Leveraging Traceability to Integrate Safety Analysis Artifacts into the Software Development Process [51.42800587382228]
  安全保証ケース(SAC)は、システムの進化中に維持することが困難である。 本稿では,ソフトウェアトレーサビリティを活用して,関連するシステムアーチファクトを安全解析モデルに接続する手法を提案する。 安全ステークホルダーがシステム変更が安全性に与える影響を分析するのに役立つように、システム変更の合理性を設計する。
  論文  参考訳（メタデータ） (2023-07-14T16:03:27Z)
• Safe Perception -- A Hierarchical Monitor Approach [0.0]
  本稿では,AIに基づく認識システムのための新しい階層的モニタリング手法を提案する。 検出ミスを確実に検出でき、同時に誤報率も極めて低い。
  論文  参考訳（メタデータ） (2022-08-01T13:09:24Z)
• System Safety and Artificial Intelligence [0.0]
  社会的領域にまたがるAIの新たな応用には、新たなハザードが伴う。 システム安全の分野は、安全クリティカルシステムにおける事故や危害に対処してきた。 この章はシステムの安全性の先駆者であるナンシー・リーブソンに敬意を表しています。
  論文  参考訳（メタデータ） (2022-02-18T16:37:54Z)
• The missing link: Developing a safety case for perception components in automated driving [10.43163823170716]
  知覚は自動運転システム(AD)の重要な側面であり、機械学習(ML)に大きく依存している。 MLベースのコンポーネントの安全性を保証するという既知の課題にもかかわらず、最近、これらのコンポーネントに対処するユニットレベルの安全ケースの提案が登場した。 本稿では、知覚成分に特化して調整されたリンク引数に対する汎用テンプレートを提案する。
  論文  参考訳（メタデータ） (2021-08-30T15:12:27Z)
• Inspect, Understand, Overcome: A Survey of Practical Methods for AI Safety [54.478842696269304]
  安全クリティカルなアプリケーションにディープニューラルネットワーク(DNN)を使用することは、多数のモデル固有の欠点のために困難です。 近年,これらの安全対策を目的とした最先端技術動物園が出現している。 本稿は、機械学習の専門家と安全エンジニアの両方に対処する。
  論文  参考訳（メタデータ） (2021-04-29T09:54:54Z)
• Dos and Don'ts of Machine Learning in Computer Security [74.1816306998445]
  大きな可能性にもかかわらず、セキュリティにおける機械学習は、パフォーマンスを損なう微妙な落とし穴を引き起こす傾向がある。 我々は,学習ベースのセキュリティシステムの設計,実装,評価において共通の落とし穴を特定する。 我々は,落とし穴の回避や軽減を支援するために,研究者を支援するための実用的な勧告を提案する。
  論文  参考訳（メタデータ） (2020-10-19T13:09:31Z)
• Strategy to Increase the Safety of a DNN-based Perception for HAD Systems [6.140206215951371]
  安全は自動運転システムにとって最も重要な開発目標の1つである。 そのため、従来の安全プロセスや要件の大部分は、完全には適用できないし、十分ではない。 本稿では,DNN障害の説明と緩和,および関連する安全メカニズムの導出のための枠組みを提案する。
  論文  参考訳（メタデータ） (2020-02-20T18:32:53Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。